基于Matlab圖像識別的海棠花期色彩動態變化規律

關鍵詞：Matlab圖像識別；UAV圖像；HSL色彩空間；色彩動態

觀賞海棠Malusspp.為薔薇科Rosaceae蘋果屬Malus落葉小喬木，是園林景觀應用中常見的觀賞樹種[1-2]，花是其重要的觀賞器官之一。目前，針對海棠花的研究相對成熟，多集中于海棠花色動態變化[3-5]、花期物候研究[6-7]，以及花期調控等方面。海棠花色作為重要的觀賞性狀之一，探究海棠品種群的花色動態變化，不僅能了解不同品種海棠在不同開花階段的花色變化規律，從而篩選或培育具有特定花色特征的優良品種，同時通過構建花色變化模型可預測海棠生長過程中的花色，在提高育種效率的同時為花卉產業發展提供技術支持。然而，當前對于植物色彩的研究多采用色差計[8]或色差儀[9]對其顏色進行測定。該方法需要人工采集花朵，非常耗費人力和時間，不利于花朵的保存，并且不同種質的花色穩定性不同[10]，影響花色測定的準確性，并且這種傳統方式只能測定、監測花期階段中某一時間點的花色，無法對開花過程中花色動態變化規律作出解釋。因此尋找省時省力且高效的手段來探究大樣本品種群之間的色彩變化關系，對于花色圖像數據庫建立及其他觀賞植物的色彩研究具有十分重要的意義。

無人機（UAV）和圖像識別技術相結合能在大空間格局下連續獲取信息，提高對地面植物監測的效率，其高分辨率、低成本、高機動靈活性等優勢使其在植物物種分割[11-12]、多傳感器植物分析[13-14]、自動植物計數[15-16]等植物表型研究中得到廣泛應用并獲得了有效成果。但是在眾多研究中，卻鮮有關于應用于觀賞花卉植物色彩變化規律研究的報道。本研究以70個海棠品種為研究對象，基于Matlab圖像識別技術對UAV圖像中開花區域進行識別與分割，并提取HSL色彩參數值，通過計算和分析色彩參數來揭示海棠花色動態規律，實時掌握海棠花色變化情況，實現開花過程的智慧化監測，同時也為花卉文旅新業態建設提供技術支持和理論依據。

1材料與方法

1.1試驗地概況

試驗地位于江蘇省揚州市江都區仙女鎮（119°55′E，32°42′N）南京林業大學海棠種質資源圃，屬于北亞熱帶季風氣候，四季分明。年均氣溫約14.9℃，年均降水量約1000mm，無霜期約320d。試驗地地勢平坦，立地條件一致，土壤為砂壤土，土層深厚肥沃，灌排條件良好?；ㄆ谝话阍?月下旬至4月下旬，觀賞期大約為3周。本試驗共選取70個海棠品種為試驗對象，每個品種選取3株，皆為資源圃中5～8年生健康苗木，且能穩定開花結實3年以上的植株。品種名稱見表1。

1.2研究方法

1.2.1無人機圖像采集

采用大疆公司研發的Mavic2Pro四旋翼無人機，搭載的相機采用了1英寸CMOS影像傳感器，有效像素為2000萬。2023年3月20日—2023年4月30日（初花期—末花期）每天上午7：00—9：00利用無人機獲取海棠圖像。拍攝時，相機鏡頭垂直向下，焦距28mm。飛行模式采用手動飛行，無人機飛行高度在距冠層5m左右，飛行時攝像機云臺角度為90°。獲取圖像格式為JPEG，分辨率為5472像素×3648像素，共獲得2459張圖像樣本。

1.2.2圖像預處理

采用AdobePhotoshop軟件進行圖像裁剪并進行陰影高光校正，去除因光線條件變化對圖像識別分割精度的影響，增強畫面細節，改善圖像質量，便于對目標區域的識別和提取（圖1）。

1.2.3開花區域識別和色彩參數提取

HSL是一種將RGB色彩模型中的點在圓柱坐標系中的表示法，它更接近人肉眼能感知的色彩，是運用最廣的顏色系統之一，其中H代表色相（0°～360°），S代表飽和度（0～1.00），L代表亮度（0～1.00）。使用Matlab提取H、S、L3個通道分量的參數值，通過訓練、優化通道分量實現對目標區域的識別分割。利用Matlab2022軟件對無人機圖像的開花區域進行識別和分割，并通過Photoshop軟件輔助驗證其識別精度，最終獲得無人機圖像中海棠開花區域，作為海棠花色參數提取的基礎。

采用Photoshop軟件顏色吸管工具提取圖像開花區域的像素點，70個觀賞海棠品種花色提取均從初花期開始到末花期結束為止，每3d提取1次顏色參數，獲得HSL色彩參數，即為該圖像樣本的色彩參數。根據每個品種花期持續時間，最終可得到8次提取結果，將8次的提取結果進行統計分析繪制三維圖和頻數分布圖。

計算同一品種不同花期階段的色差值ΔE：

式中，ΔH、ΔS、ΔL分別表示3個花期（初花期、盛花期、末花期）的色相之差、飽和度之差、亮度之差。

1.3數據處理

所有數據均采用Excel軟件進行統計，采用Origin2022軟件作圖及聚類分析；無人機圖像采用Matlab2022軟件和AdobePhotoshop軟件進行處理。

2結果與分析

2.1Matlab軟件識別結果

海棠花色主要集中在紅色、粉色和白色，因此對目標區域的識別主要是提取這3種顏色特征的范圍值，最終得到70個海棠品種3個通道分量范圍，具體參數值如表2所示。

在Photoshop中利用直方圖獲得Matlab分割的海棠無人機圖像開花區域的像元數量，與Photoshop中“色彩范圍”工具提取的海棠開花區域作對比，結果如表3所示。從表中可以看出，不同海棠品種之間無人機圖像的識別率不同，識別率最低的是20號‘亞當斯’，識別率最高的是68號‘磊沁’。70個海棠品種整體的識別率達到了91.6%，3個色系品種識別率由大到小分別是白色系（95.0%）、粉色系（92.3%）、紅色系（85.9%）。

2.2無人機圖像提取觀賞海棠花色的HSL色彩空間分布

從圖2、3可以看出觀賞海棠花朵在HSL色彩空間中隨時間變化而表現出有規律性的變化動態分布格局。

在H維度方向上，位點分布呈現“集中-分散-集中”的趨勢，整體由紅色區域向黃色區域轉變。前3次的提取結果表明70個海棠品種在起始階段大多分布在高H值的紅色區域（第1次94.3%，第2次95.7%，第3次87.1%），并且位點呈現左移趨勢；品種色相值從330°～360°（第1次80.0%，第2次47.1%，第3次15.7%）逐漸移向300°～330°（第1次14.3%，第2次48.6%，第3次71.5%）。在第4次、第5次提取中，觀賞海棠品種的花期進入盛開階段，色相值的分布范圍開始呈現擴散趨勢，分別有21.4%、33.3%的品種分布在0°～180°，有21.4%、13.6%的品種色相角分布在180°～300°，仍有50%的品種分布在300°～330°，而僅有7.1%和3.1%的品種依然分布在330°～360°。第6次提取中，一些品種開始進入末花期，可提取的品種數量開始減少，色相值為0°～90°、150°～210°、240°～360°，有35.7%的品種色相值分布在0°～30°，在300°～330°的品種數量占比減少到22.9%。第7次，品種數量持續減少到20個，色相值分布在0°～30°的品種數量占比增加到72.5%，分布在30°～150°的品種有15.9%，僅有8.7%的品種依然分布在300°～360°。第8次，僅有3個品種仍在花期內，色相值分布范圍和變化趨勢與第7次基本保持一致。

在S維度方向上，色彩飽和度整體呈下降的趨勢，整體分布范圍呈現先擴大后縮小的趨勢，位點分布呈現“集中—分散—集中”的趨勢。第1次，色彩飽和度集中分布在0.30～0.80，平均飽和度為0.53，有20%的色彩飽和度分布在0.30～0.40，24.3%的色彩飽和度分布在0.40～0.50。在第2次提取中，色彩飽和度分布范圍為0.50～1.00，平均飽和度為0.69，有66.7%的品種色彩飽和度分布在0.50～0.80。第3次，色彩飽和度分布在0.50～1.00，平均飽和度為0.67，有60.3%的品種色彩飽和度在0.60～0.90。第4次，色彩飽和度在各區間均有分布，仍有49.2%的品種集中分布在0.5～0.8，平均飽和度為0.54，低飽和度（0～0.30）的品種數量在增多，高飽和度（0.80～1.00）的品種數量在減少。從第5次開始，品種數量開始減少，整體變化延續第4次的變化，色彩飽和度在各區間分布更加平均，平均飽和度為0.49。第6次的平均飽和度為0.44，品種數量減少22個，有19.6%的品種色彩飽和度在0.50～0.80，低飽和度（0～0.30）的品種數量增加到56.1%。第7次、第8次的色彩平均飽和度為0.33和0.39，色彩飽和度均分布在0～0.50，沒有高飽和度（0.80～1.00）品種。

在L維度方向上，位點逐漸上移，并且分布范圍逐漸縮小，呈現“分散—集中”的趨勢，表明隨著時間的推移海棠品種的亮度逐漸升高。第1次的位點分布較為分散，均在0.20～1.00，有67.2%的品種亮度集中分布在0.40～0.60，平均亮度為0.49。第2次亮度范圍在0.40～1.00，分布范圍縮小，有70%的品種亮度在0.50～0.70，平均亮度為0.61。第3次、第4次的亮度范圍仍在0.40～1.00，但位點逐漸上移，向高亮度（0.70～1.00）的方向變化，平均亮度為0.70和0.77，品種占比從17.1%（第2次）逐漸增加到46.4%（第3次）、65.2%（第4次）。第5次，品種數量開始減少，亮度集中分布在0.50～1.00，其中有44.1%的品種亮度分布在0.90～1.00，平均亮度為0.84。第6次和第7次延續之前的變化趨勢，亮度仍集中分布在0.50～1.00，并且品種數量占比由67.2%減少到27.5%，平均亮度分別為0.84和0.86；第8次，品種數量僅有3個，且亮度分布在0.70～0.90，平均亮度為0.80。

從圖3可以看出，70個海棠品種的色相H、亮度L在前期都有所集中，隨時間推移而發生分化或轉移現象，飽和度S則平均分散且整體由高飽和度向低飽和度變化。色相H維度前期均為紅色系和紫紅色系，隨開花進程逐漸向黃色區域轉移；大多數品種在中高亮度區間，當花期進入盛花期，高亮度區間的數量增多，呈現為淺淡、明亮的白色系花。

2.3基于HSL色彩空間的觀賞海棠品種群花色聚類分析

盛花期是海棠的主要觀賞期。將70個海棠品種盛花期的色彩參數H、S和L繪制聚類分析樹狀圖（圖4）。在遺傳距離41和61處，70個海棠品種可以劃分為3大色系類群，即粉色系、紅色系和白色系類群，色系類群之間具有明顯不同的色彩參數特征（表4）。

A類為粉色系品種群，共16個品種。該類品種群盛花期階段色相值均位于粉紅區域（H值在300°～330°），飽和度低（S值在0.09～0.59），但花色亮度高（L值在0.39～0.86）。

B類為紅色系品種群，共28個品種。該類品種群盛花期階段色相值均位于紅色區域（H值在330°～360°）。花色鮮艷度高于A類品種群（S值在0.21～0.57），但花色的亮度顯著低于A大類（L值在0.27～0.67）。

C類為白色系品種群，共26個品種。該類品種群盛花期階段色相角主要位于藍色區域（H值在200°～250°），因飽和度極低（S值在0.03～0.13）、色彩極亮度極高（L值在0.70～0.90），而呈現為明亮的“白色”。

2.4觀賞海棠花色還原和色彩淡化節律

將無人機提取到的觀賞海棠花色色彩參數還原后繪制成圖5。色彩飽和度是花色重要的觀賞屬性。從圖5可見，3大色系品種群的花色在初花期皆為程度不一紫紅色。隨時間推移，盛花期色彩分化程度加大，尤其是粉色系和白色系，肉眼視覺上呈現出較為亮艷的顏色。末花期時，色彩分化程度進一步加大；紅色系較為穩定，褪色程度較低；粉色系有不同程度的褪色現象，逐漸淡化為白色、粉白色和極淡灰紫色，色彩的飽和度降低而亮度增加；白色系的褪色現象十分嚴重，全部淡化為白色或灰白色?？傮w而言，3大色系均呈現出由濃到淡的趨勢，個別顏色會受到光線的影響有所跳動，但整體趨勢相同，但不同色系的淡化節律不同。

如表5所示，紅色系品種3個花期階段的色差值接近，整體的淡化程度最小，整個花期階段的色系都保持在紅色區域內。粉色系品種的色差變化較小、淡化程度較弱，色彩均由紅色轉成粉色，最后到淡粉或接近于白色，依次變化。白色系品種的顏色變化主要由飽和度S和亮度L主導，色相H會因光照變化而變化，尤其在初花期到盛花期過程中表現出極大的色差變化，淡化程度最大。3個色系的S下降節律明顯不同。白色系品種在初花期—盛花期迅速下降，而在盛花期—末花期無明顯變化；粉色系品種在整個花期階段呈勻速下降的趨勢；紅色系品種在初花期—盛花期下降緩慢，在盛花期—末花期下降速度加快，但整體下降幅度低于粉色系品種。

3討論與結論

3.1討論

圖像識別技術作為植物檢測和分類的新技術手段，利用顏色特征[17]、紋理特征[18]等方式識別特定植物結構領域（花、葉、果）[19-21]得到了廣泛的應用。宋英等[22]利用顏色特征識別小麥赤霉病檢測率達到90%以上，李少敏等[23]對玉米種子的識別正確率也在90%以上，結合本研究利用顏色特征識別分割海棠開花區域的識別率為91.6%，再次有效地證明圖像識別技術在監測植物花、葉、果的生長過程有很好的效果。對于觀賞植物來說，植物色彩是衡量觀賞價值的一個重要指標，利用植物的顏色變化不僅能實現種群劃分，還能實現植物物候期的劃分。例如，范俊俊等[24]基于海棠物候期內圖像樣本的色彩參數變化實現海棠物候的動態監測，但局限在于樣本只選取了一個品種，未來還需要擴大樣本容量來提高研究結果的準確性。

在以往的花色動態研究中，色差計、色差儀因其測定準確度高成為運用最廣泛的技術手段，而本研究首次利用顏色特征識別分割UAV圖像中的開花區域并提取HSL色彩參數，將70個觀賞海棠品種劃分為粉色系、紅色系和白色系3大類，試驗結果與張往祥等[5]使用色差計對海棠品種群花色的測定和分類結果基本一致，70個海棠品種僅有‘凱爾斯’‘豪帕’‘可可辛娜’‘春之頌’‘約翰東’等9個品種分類存在誤差，一致率為87.1%。這種誤差可能是由于無人機圖像采集時受外部環境光照條件的影響造成圖像顯示的顏色誤差，或者是品種自身的遺傳特性，又或者是紅色和粉色品種的色相值很接近，在顏色參數提取時兩個目標物色彩之間色差很小，對分類結果有所影響。從提取的顏色參數來看，色相值H的分布狀況表明海棠花色多集中在200°～360°，缺乏黃色系品種（色相H值在0°～90°）。色差值的變化表明紅色系淡化程度最小且整個花期色彩飽和度較高，有較高的觀賞價值；粉色系在盛花期色彩鮮亮，末花期由于淡化程度大，色彩近于白色，觀賞價值下降。該方法的花色動態規律與何娜等[4]色差計測定結果相似，極大地提高了花色測定及色系分類的工作效率，避免了樣本采集和保存過程中出現失誤，適合在宏觀層面監測花色動態變化。但在分類時，出現部分粉色系品種劃分到紅色系品種的情況，在今后的研究中，需要進一步優化圖像識別技術。

3.2結論

Matlab軟件識別無人機圖像的開花區域效果較好，識別率達91.6%。盛花期是海棠的主要觀賞期，在這個階段花色也會逐漸分化，呈現出不同的淡化規律。粉色系品種群的淡化程度較弱，色彩均由紅色—粉色—淡粉或接近于白色的順序依次變化；盛花期階段色相H平均值為（314.0°±13.5°），飽和度較低，S平均值為（0.26±0.15），但花色亮度高，L平均值為（0.72±0.11）。紅色系品種群整體的淡化程度最小，整個花期階段的色系都保持在紅色區域內；盛花期階段色相H平均值為（333.0°±7.0°），花色鮮艷度高于粉色系品種群，S平均值為（0.34±0.08），但花色的亮度顯著低于粉色系品種，L平均值為（0.44±0.08）。白色系品種的顏色變化主要由飽和度S和亮度L主導，色相H會因光照變化而變化，因此其初花期的色相分化程度較大，在初花期到盛花期過程中表現出極大的色差變化；白色系品種的淡化程度最大，盛花期時均保持低飽和度（0.06±0.03）、高亮度（0.79±0.04）的白色或粉白色；到末花期的過程中，色差變化相對較小。通過分析無人機圖像提取的色彩參數可以得到海棠品種在H、S、L3個維度上的動態變化并能在宏觀層面實現海棠的花色分類，同時能直觀地看出開花過程中的花色變化。對于海棠表型分類、物候監測等工作能提供新的方法和手段，提升工作效率，同時也為海棠相關育種工作提供理論依據。